【技术实现步骤摘要】
用于神经网络的方法和装置
技术介绍
[0001]本公开涉及一种用于神经网络的方法。
[0002]本公开进一步涉及一种用于神经网络的装置。
技术实现思路
[0003]示例性实施例涉及一种用于神经网络(例如人工深度神经网络(DNN))的方法、例如计算机实现的方法,包括:提供多个训练数据集,每个训练数据集包括用于神经网络的输入数据和相关联的输出数据,基于多个训练数据集和损失函数训练神经网络,其中损失函数基于由神经网络提供的输出值和表征物理系统操作的预定函数的逐位相关性。在一些实施例中,这使得能够增加侧信道攻击(SCA)内的相关系数。
[0004]根据另外的示例性实施例,训练数据集的提供包括:确定多个剖析轨迹,其中每个剖析轨迹表征在预定函数的执行期间物理系统的至少一个物理参数(例如电力消耗),并且为多个剖析轨迹中的每一个确定预定函数的相应输出值,以及可选地,使用剖析轨迹和输出值作为所述训练数据集。
[0005]在一些实施例中,剖析轨迹可以例如由物理系统的电力消耗的多个测量来表征,所述物理系统的电力消耗的多个测量例如是可 ...
【技术保护点】
【技术特征摘要】
1.一种用于神经网络(NN)、例如人工深度神经网络的方法,例如计算机实现的方法,包括:提供(100)多个训练数据集(TDS),每个训练数据集包括用于神经网络(NN)的输入数据(ID)和相关联的输出数据(OD),基于所述多个训练数据集(TDS)和损失函数(LF)训练(102)神经网络(NN),其中损失函数(LF)基于由神经网络提供的输出值(OV)和表征物理系统(PS)操作的预定函数(F)的逐位相关性。2.根据权利要求1所述的方法,其中提供(100)训练数据集(TDS)包括:确定(100a)多个剖析轨迹(x
i
),其中每个剖析轨迹(x
i
)表征在预定函数(F)的执行期间物理系统(PS)的至少一个物理参数、例如电力消耗,并且为所述多个剖析轨迹(x
i
)中的每一个确定(100b)预定函数(F)的相应输出值(v
i
),以及可选地,使用(100c)剖析轨迹(x
i
)和输出值(v
i
)作为所述训练数据集(TDS)。3.根据前述权利要求中任一项所述的方法,其中,神经网络(NN)是卷积神经网络。4.根据前述权利要求中任一项所述的方法,其中,反向传播技术用于训练(102)。5.根据前述权利要求中任一项所述的方法,其中,损失函数(LF)可以由以下等式表征:,其中表征与预定函数(F)相关联的泄漏值(LV)的位值,其中表征输出值(OV)的位值,其中i是索引变量,其中B是例如函数值的位总数,其中表征相关损失函数,并且其中表征绝对值。6.根据权利要求5所述的方法,其中,相关损失函数可以由以下等式表征:,其中cov()是协方差,其中表征输入向量l的标准偏差,其中表征输入向量的标准偏差,其中D 表征批量大小,其中表征输入l的均值,其中表征输入的均值,其中表征非零的例如小的参数,其中例如。7.根据权利要求5至6中至少一项所述的方法,进一步包括使用加权系数(c
i
)对泄漏值(LV)的位值进行加权(110),其...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。